通过学习高分辨率和低分辨率图像对的一对耦合字典，字典学习可以用于图像超分辨率，以使表示为相应字典的稀疏向量相同。然后可以使用这些字典基于稀疏恢复从低分辨率输入图像重新构建相应的高分辨率补丁。本研究探讨了所使用的稀疏恢复算法对重建图像质量的影响，并通过实证实验寻找可用于此目的的最佳稀疏恢复算法。
Aug, 2023
本文介绍基于分离结构的字典学习方法，使得学习过程中可以处理更大的图像块，并且字典在重建任务中被有效地应用。
Mar, 2013
本文研究了在一般（即可能是冗余或不完整的）词典中表现出稀疏表示并受到另一种广义词典中的加性噪声干扰的信号的恢复方法。文章基于新的不确定性关系提供了确定性的恢复保证，并提供了相应的实用恢复算法。
Feb, 2011
本文研究了基于补丁重排的图像处理方案，并应用于图像去噪和修复，在补丁之间进行求解旅行商问题的重新排序，通过简单的一维平滑操作获得了良好的清晰图像恢复效果。
Oct, 2012
本文提出一种基于组的稀疏表示方法（GSR），用于图像恢复，该方法使用具有相似结构的非局部图块作为基本单元，能同时在群域内实现本地稀疏性和非局部自相似性，并采用有效的自适应字典学习方法来提高计算效率和鲁棒性。实验表明，所提出的 GSR 模型比现有的状态 - of-the-art 方法在图像恢复方面性能更好。
May, 2014
本文提出了一种基于频域的图像恢复方法，使用交叉熵损失学习频域中的分布，将图像恢复问题作为分类问题来处理，以确定图像补丁中每个频率带的频率系数。
May, 2018
在卷积内核方法中进行了数据组成特征提取的重要性研究，提出了一个数据驱动的卷积内核方法，通过对其效果进行广泛的研究，证明该方法已经在 CIFAR-10 分类准确性方面取得了与之前更复杂的卷积内核方法相同的准确性，将该方法扩展到 ImageNet 数据集，证明了该方法可以超越所有现有的非学习表示方法，成为目标识别的新基准。
Jan, 2021
本文介绍了基于局部稀疏度量的全局模型，解决了传统基于补丁的稀疏表达的限制，通过操作图像补丁来解决卷积稀疏追踪问题并训练涉及的滤波器，为图像修补和分离问题提供了一种直观的算法。
May, 2017
本文提出了一种高效的基于图像补丁学习的框架，仅需一个图像输入输出对进行训练，实验证明该方法适用于监督式图像去模糊和超分辨率任务，并显著提高了学习模型的样本效率、泛化能力和时间复杂度。
Apr, 2024
本文研究了基于稀疏表示和卷积的稀疏编码模型在图像处理中的应用，提出了与此模型相关的贝叶斯理论，并使用分阶段卷积的前馈网络构建了一个新的模型，用于降噪等任务。实验证明，该模型的性能可以达到与现有技术相当水平，同时使用的参数明显更少。
Sep, 2019